Lernverfahren von Künstlichen Neuronalen Netzwerken

3.5.3 Bemerkungen
- Bevor ein Kohonen-Netzwerk nach der Lernphase angewendet werden kann, muss man zuerst durch Probieren
mit den Trainingsmustern herausfinden, welche Regionen bei welchem Eingabemuster aktiv sind. Es ist
unmöglich dies, wie bei den anderen Modellen vor der Lernphase zu bestimmen.
- Bei Mensch und Tier wurde tatsächlich festgestellt, dass für wichtige Organe die für sensorische Reize
zuständigen Regionen auf der Grosshirnrinde viel grösser sind als für weniger gebrauchte Organe. So sind
beim Menschen die Regionen für Hände und Zunge im Vergleich zu den Regionen, welche die Reize aus anderen
Gegenden verarbeiten überproportional gross. Weiter konnte beobachtet werden, dass Regionen, die für
amputierte Körperteile zuständig waren, allmählich Reize anderer Organe verarbeiten.
3.6 Fazit 16
Neben den vorgestellten Modellen findet man in der Literatur unzählige weitere Netzwerkarchitekturen und Lernalgorithmen.
Um zu entscheiden, welches Modell für eine bestimmte Aufgabenstellung am besten geeignet ist und
wie die Parameter genau eingestellt werden sollen, braucht es neben viel Fachwissen auch ein wenig Fingerspitzengefühl.
Meiner Meinung nach ist dies im Moment einer der grössten Nachteile von KNN. Welcher Hersteller
von elektronischen Systemen verliert schon gerne Monate für die Entwicklung eines geeigneten neuronalen Netzes,
wenn es nicht unbedingt nötig ist? Gefragt wäre ein universelleres Netzwerkmodell, das man durch eine direktere
Hardwareunterstützung schneller und kostengünstiger einer bestimmten Aufgabe anpassen könnte. Bis dies soweit
ist, muss aber wahrscheinlich noch viel Grundlagenforschung betrieben werden.
4 Anwendungen
In diesem Kapitel beschreibe ich zuerst eigene Beispiele, die ich zur Veranschaulichung des Lernens in KNN gemacht
habe. Alle Programme und die dazugehörenden Anleitungen brannte ich auf CD-Rom, welche sich im Anhang
befinden sollte. Im letzten Unterkapitel wird noch auf die verschiedenen Gebiete in Forschung und Industrie, in
denen neuronale Netze eingesetzt werden, eingegangen.
4.1 Rand- und Buchstabenerkennung
Als erstes schrieb ich ein Randerkennungsprogramm, wie es in Kapitel 3.1.3 detailliert beschrieben wurde. Weil das
Netz sehr klein ist und die Gewichtung schon im voraus bekannt war, musste ich das Netz nicht mehr mit einem
speziellen Simulator trainieren, sondern konnte es direkt mit der Programmiersprache TopPascal schreiben.
Als nächstes wollte ich mich an einem komplexeren Problem versuchen, für das schon heute in der Technik KNN
eingesetzt werden. Zuerst dachte ich an ein Prognose-Programm, z.B. für Börsenkurse oder das Wetter, jedoch hängt
z.B. das Wetter nach der Chaostheorie von so vielen und auf den ersten Blick scheinbar belanglosen Faktoren ab,
dass ich mit meinen relativ kleinen Netzen wohl kaum glaubhafte Voraussagen hätte machen können. Ich entschied
mich dann für ein Buchstabenerkennungsprogramm, weil man bei diesem sofort sieht, ob das Netz erfolgreich war
oder nicht.
4.1.1 Vorgehen bei der Entwicklung eines KNN
1. Als erstes musste ich mich entscheiden, wie ich dem Netz die Eingabe übergeben sollte. Ich entschied mich
für die einfachste und naheliegenste Variante: Der zu interpretierende Buchstabe wird in Bildpunkte (=Pixel)
24